一个人的经验如何用丰富的知识来解决创造性问题？

一个人的经验如何用丰富的知识来解决创造性问题？

但是一些研究也发现知识对创造力或复杂结果的阻碍影响。

例如，如对使用设定效应范式的玩家解决问题方法的研究所示，专家将由于存在非最佳解决方案而使用最有效的方法来降低其解决问题的能力。但是“超级专家”并不容易受到影响。

Dane使用基于架构的域专家模型来解释。

戴恩（Dane）认为，每个人在特定领域都有独特的知识模型。专家和普通百姓之间的区别在于，专家在他们擅长的现场模型中包含更多属性，并且属性之间的相关性更为复杂。

随着模式的复杂性积累，个人的模式变得更加稳定，即这些属性和属性连接的模式将变得更加难以修改。

戴恩称这种稳定性为认知障碍。

一方面，认知障碍使专家在解决问题时的思维僵化，使他们很难避免习惯产生创造力，但另一方面，模式中属性和链接的复杂性也为创建过程中的概念组合和重组过程提供了丰富的原材料。

知识结构和创造力

如前所述，实际上而不是实验室模拟创建通常是在丰富知识的背景下产生的，并且具有更丰富的知识储备和经验丰富的知识的专家通常比新手更好。

但是先前的研究只停留在问题探索的表面上。

主要问题是，过去的研究如何衡量知识，例如使用个人经验，艺术成就，考试结果，从访谈，日志等，甚至自我评估中提取信息。

这些方法可以在一定程度上反映个人的知识掌握，并在知识与创造力之间的关系之间建立初步结论，但不是深入的。

此外，一些学者发现，知识的数量不是影响创造力的主要原因，而是大脑中旧知识和经验的代表性会影响创造力。

张金林将这种知识的代表视为知识的“质量”，并认为专家和新手之间的差异不仅在于他们拥有的知识量的差异，而且还在于他们在思想中组织知识的差异。

当知识安排在层次网络中时，检索效率的显着提高可以增强其创造力输出。

张金林（Zhang ）和曹吉刚（Cao ）在随后的作品中完善了这一观点，他们认为创造力的水平受知识掌握的质量的影响，知识的质量和数量共同影响了创造力的水平。

因此，找到知识在思想中的方式，即知识结构，可能是值得探索的途径。

2。一般讨论

经验，专业知识和知识结构如何影响创造力

研究发现，AUT的流利性，灵活性和SIP性能与不同的经验，尤其是与专业相关的经验有关，这可能会影响知识丰富的情况的特定领域的创造力。

因此，该实验探讨了主要与创造力之间的关系，并发现专业可以显着影响受试者在边缘知识丰富的情况下的创造力表现，但不能影响受试者在知识贫困情况下的创造力表现。

我们推测实验的结果是由新手和专家在同一领域形成的不同知识结构引起的，这些结构影响了它们在不同领域的创造力。

因此，我们进行了实验2，发现专业和记忆策略将促使受试者形成不同的知识结构，并且这种结构的不同方面对他们在知识贫困的情况和知识范围的情况下对其创造力产生了不同的影响。

实验发现，在知识贫困状况中，小C的流利度和在知识贫困状况中大C的创造性表现都受到某些经验的影响，这似乎支持了该领域的创造力的一般观点。

但是，影响不同创造力的这种不同经验的后果似乎暗示着某些个人特征是由经验更直接地影响创造力的经验形成的。

当我们使用专业作为对象的分类基础时，我们发现了知识丰富的情况边缘的重大创造性差异。

这种意义不令人满意，这可能是因为受试者仍在学校阶段，他们的领域没有受过良好的教育，而且他们尚未占据足够的专业差距。

但是总的来说，在知识丰富的状况和知识贫困情况的微不足道的模糊状况中，这一重要性可以由创造力的领域专门支持。

我们假设表征个人知识之间的关联的结构特征更直接地影响了创造力的表现。

因此，我们使用GEPHI和自编写的有序树程序来形成单个网络样的知识结构和类似树的知识结构，并提取了9个图理论指标。

发现九种图理论指标与两个创造力得分显着相关。

由此我们可以预测个人创造力的表现。与一些重要的经验和边际职业相比，图理论指标的表现要好得多，我们可以轻松地看到不同指标数据与不同的创造力类型之间的相关性。

通常，如果您想在一般领域中更好地表现创造力。

那么，建立紧密联系并在概念之间具有高沟通效率的知识结构很重要。

但是，如果我们想在知识丰富的情况的特定领域中追求更好的表现，那么具有简化和有序的，即使有些刻板的知识结构也有很大的帮助。

过去的研究发现，充满联系和高度传播有效的知识结构促进了创造力的产生，例如Zeng ，这与我们的研究部分相同。

我们的研究发现，AUT的流利性和灵活性与高度连接，高度传播的知识结构相关。

一些学者将流利性视为经典不同思维分数的核心。如果我们从这个角度考虑，我们的研究结果与我们的前任相似。

但是，我们仍然应该考虑原始结果在这个维度上没有产生重大结果的可能原因。

传统的独创性评分通常总结了受试者产生的所有答案的独创分数。

这将导致结果，即受试者的想法越多，其独创性越高，因此在独创性，流利性和灵活性之间产生的区别较低。

这种流利的混乱是在不同的思维任务中广泛研究的问题。

因此，我们的研究采用了平均原创性的计算方法，并使用了总独创性除以流利度的方法来计算原创性，从而获得了受试者每个答案的平均独创性，从而确保了独创性和原创性的独立性。

在这种情况下，可以理解的是，原创性没有重大结果。

也就是说，对于概念之间的联系，充满联系和高沟通效率的知识结构更加方便，因此在创建过程中会产生越来越丰富的概念组合和重组，并且产生了许多想法。

但是这些想法通常是由更紧密的信息传播引起的，并且在语义距离上没有优势，因此不会提高原创性的得分。

此外，排除行的数量也与AUT的所有三个维度显着呈负相关，我们将排除行的数量视为由于知识的熟练程度和更多见解而引起的未抑制的未计划外连接的产生。

一方面，计划外连接将干扰受试者的正常思维，从而影响思维的流利性和灵活性。

另一方面，最终的连接通常是高度连接的概念而不是新颖的联系之间的联系，因此独创性的表现也会下降。

同时，由于SIP仅要求受试者产生一个答案，因此在SIP上无法观察到流利度的变化。

但是，当我们对受试者产生的sip的唯一答案得分时，我们还发现，精简和有序的知识结构甚至有些刻板的知识结构对在知识丰富的情况下的大型C产生有很大帮助。

我们认为这是因为精简的知识结构意味着每个概念仅连接到部分高度相关的概念。

由于每个概念仅连接到一个精致的知识网络，该知识网络仅是部分高度相关的概念，在通过认知努力之间建立概念之间的联系时，通常可以筛选更专业和有用的联系，从而产生更好的质量想法。

在知识结构中表现出的知识丰富和糟糕的情况下，创造性问题解决的拮抗作用

令人惊讶的是，尽管AUT和SIP都是创造力的度量，但它们在我们的三个实验中的所有影响因素中都显示出不同的结果。

特别是在图理论指标中，分析中包含的九个指标中有8个在AUT和SIP中起不同的作用。

这个结果似乎为创造力的领域特异性提供了非常明确的证据，即创造力所需的经验，知识和技能是完全不同的。

实际上，可以完全理解这种差异，这可以从测量创造力的两种方式的特征中分析。

在知识贫困情况下，AUT是一种通用领域的创造力测量方法。它仅需要尽可能多的解决方案，这些解决方案基于一般经验，对个人的要求较低。

但是SIP是一种知识丰富的生物创造力测量方法，需要在许多可能的答案中获得最好的答案，而产生良好答案的基础是对现场的原型概念有足够的了解并能够灵活地应用它。

因此，更层次和复杂的知识结构有利于受试者的逻辑思维并找到相应的最佳解决方案，但不利于产生多重和复杂的一般解决方案。

相反，简单且紧密的结构有利于思维的流利性，从而产生更一般的想法，但它不利于挖掘有效的信息并形成具有专业水平的独特解决方案的受试者。

同城信息网